🤖 IA Weekly Digest #16 — Semana 44, 2026

Compilado el 30 de octubre de 2026

Esta semana los motores de inferencia vuelven a ser el campo de batalla: benchmarks con Qwen3.8 27B en una sola RTX 5090, forks de llama.cpp que resucitan GPUs viejas, y quantizaciones nuevas para AMD. Además, los tutoriales de agentes multi-marco se multiplican (LangGraph, CrewAI, Microsoft Agent Framework) y OpenClaw demuestra que un equipo de agentes en un Mac mini ya es una configuración seria.

🔝 Lo más importante de la semana

1. Qwen3.8 27B en una RTX 5090: seis motores de inferencia comparados, con y sin DFlash2

Qué ha pasado: El autor de TensorSharp publicó un benchmark completo comparando llama.cpp, vLLM y otros cuatro motores ejecutando Qwen3.8 27B en una sola RTX 5090, con y sin el decodificador especulativo DFlash2.
Por qué importa: Pocos benchmarks miden el mismo modelo en tantos motores con datos reproducibles; es material directo de decisión de compra y configuración.
Para quién importa: Quien tenga una GPU consumer de gama alta y quiera exprimir modelos de 27B en local.
🔗 Reddit

2. Fork de llama.cpp para GPUs antiguas: soporte Kepler, CUDA Graphs y NCCL en Windows

Qué ha pasado: Apareció un fork de alto rendimiento de llama.cpp que recupera soporte para GPUs Kepler, añade CUDA Graphs y NCCL para Windows, dándole una segunda vida al hardware de hace una década.
Por qué importa: No hace falta una 5090 para jugar en serio con inferencia local; aprovechar GPUs heredadas multiplexadas en rigs multi-GPU es cada vez más viable.
Para quién importa: Homelabbers con rigs de tarjetas baratas de segunda mano.
🔗 Reddit

3. DeepSeek-V4.1-Flash llega a llama.cpp y a las quantizaciones GSQ-RCO de ISTA-DASLab

Qué ha pasado: ISTA-DASLab publicó quantizaciones GSQ-RCO del DeepSeek-V4.1-Flash en GGUF y, en paralelo, se abrió el PR para soporte nativo del modelo en llama.cpp.
Por qué importa: DeepSeek en formato cuantizado de calidad significa poder correr un modelo de nivel frontera en hardware doméstico multi-GPU.
Para quién importa: Quien quiera un modelo grande en casa sin pagar API.
🔗 Reddit · PR llama.cpp

4. Microsoft Agent Framework como sucesor de AutoGen: los tutoriales de 2026 envejecieron de golpe

Qué ha pasado: El ecosistema de frameworks de agentes sigue en plena turbulencia: AutoGen está oficialmente muerto desde abril y los análisis comparativos (LangGraph vs CrewAI vs Microsoft Agent Framework vs OpenAI/Claude Agent SDK) se multiplican esta semana.
Por qué importa: Elegir framework equivocado cuesta meses de refactors; las comparativas nuevas ya asumen que AutoGen no es opción.
Para quién importa: Cualquiera construyendo pipelines de agentes en producción este trimestre.
🔗 YouTube · Comparativa 2026

5. OpenClaw: un equipo de 4 agentes en un Mac mini para gestionar un negocio

Qué ha pasado: Brian Casel documentó cómo compró un Mac mini solo para correr OpenClaw y montó un equipo de 4 agentes que le ayudan a operar su negocio.
Por qué importa: Es el patrón que viene repitiéndose: agentes persistentes con herramientas reales, en hardware de escritorio, fuera de la nube.
Para quién importa: Quien quiera pasar de asistente conversacional a equipo de agentes con cron y mensajería.
🔗 YouTube · Setup con Ollama

🔧 Radar rápido

• Tool calling sigue siendo «solo un prompt» — Un análisis del chat template real de Qwen3 demuestra que el tool calling no es magia: es texto pegado en el prompt. 🔗 Reddit
• Guardrails en agentes LLM locales — Guía práctica con Gemma 4, Ollama y el OpenAI Agents SDK para poner barandillas a agentes on-premise. 🔗 Towards Data Science
• hipfire para AMD: 2.2x más rápido que GGUF Q4_K_S en 7900 XT — Quantización MQ4 de Qwen3.8-27B con speculative decoding para ROCm, aunque el MoE Raon-1-mini fue mucho más lento en el mismo stack. 🔗 Reddit · Raon-1-mini
• CVE-2026-116096 en llama.cpp — Vulnerabilidad en la función list_pockettts; actualiza si expones el servidor más allá de localhost. 🔗 Reddit
• Mac Studio M5 Max (64GB) vs 2x RTX 4060 Ti 16GB — Comparativa de prefill/decode entre memoria unificada y multi-GPU consumer; el hilo tiene tablas de rendimiento reales. 🔗 Reddit
• Flue: framework de agentes programable del equipo de Astro — Open-source, convierte el harness de Claude Code en un motor programable. 🔗 YouTube
• QLoRA 4-bit accesible con ThousandML — Plataforma para fine-tuning de modelos cuantizados a 4-bit, reduciendo coste de GPU frente al full precision. 🔗 Reddit
• 256 GB de VRAM para IA local a contexto completo — Recorrido por todas las rutas (multi-GPU, memoria unificada, Strix Halo) y cuándo gana la API de DeepSeek. 🔗 YouTube

🎯 Mi lectura de la semana

Si me quedo con una idea de estos siete días es que la pregunta ya no es «¿corro esto en local?», sino «¿en qué motor y con qué cuantización?». Seis motores comparados sobre la misma 5090, forks para resucitar Kepler, quantizaciones específicas para ROCm… el ecosistema de inferencia se ha vuelto lo bastante maduro como que las diferencias ya se miden en porcentajes que importan.

Y en agentes, la muerte definitiva de AutoGen deja claro que apostar por el framework equivocado es el nuevo coste oculto. Yo seguiría la pista de LangGraph para pipelines serios, sin casarme con nadie. Mientras tanto, OpenClaw con un equipo de agentes en un Mac mini me recuerda que lo que hace un año era demo, ahora es gente operando su negocio con ello.

¿Tienes algún comentario o quieres profundizar en algo? Respóndeme.
Si te ha gustado, suscríbete al blog en elmonomudo.com.